导　　师： 李大字

学科专业： H1101

授予学位： 硕士

作　　者： ;

机构地区： 北京化工大学

摘　　要： 人工神经网络由于具有非线性映射、自学习、自适应与函数逼近、大规模并行分布处理等功能，被广泛应用到时间序列预测，非线性系统建模及智能控制中。与传统的神经网络相比，一般化学习网络（universal learning network，uln）具有简洁、紧凑、易操作的网络结构，网络各节点之间具有多重双向连接，各节点之间的分支数和分支上的延迟时间可以任意设置，是现有神经网络结构的一个超集。 本文在前人研究的基础上，针对混沌时间序列预测、非线性多变量系统辨识、内模控制等，主要做了以下工作： 1、结合基本粒子群算法（pso）和梯度下降法，提出一种混合的粒子群算法，并将其应用到一般化学习网络的训练中，通过对典型logistic混沌时间序列的成功预测，说明了这种优化算法的有效性。 2、基于酿酒酵母发酵过程的非线性状态方程，充分利用一般化学习网络结构中节点和分支的特点，提出了一种基于状态方程的一般化学习网络辨识结构，仿真结果说明，这种新结构比传统的结构更具有目的性和物理含义、辨识精度更高。 3、以连续搅拌反应釜（cstr）为例，对现有一般化学习网络分支上的时间延迟进行优化训练，辨识结果表明，这种改进可以有效的提高cstr这类具有滞后环节的复杂非线性系统的建模精度 4、将一般化学习网络和模糊理论相结合，提出了一种改进的神经网络内模控制方法（改进的uln-imc）。仿真结果表明，改进的uln-imc可有效的提高cstr的跟踪和抗扰动定值控制过程。

关 键 词： 一般化学习网络 粒子群算法 序列 酿酒酵母 神经网络内模控制 连续搅拌反应釜

领　　域： [自动化与计算机技术] [自动化与计算机技术] [自动化与计算机技术] [自动化与计算机技术]